地震灾害应急管理知识图谱构建研究_贺海霞.pdf

第 42 卷第 3 期2023 年 6 月兰州交通大学学报Journal of Lanzhou Jiaotong UniversityVol 42 No 3Jun 2023收稿日期:2023-03-01学报网址:https:/lztx cbpt cnki net基金项目:国家自然科学基金(42261076);国家自然科学基金(42061060);地理信息工程国家重点实验室/自然资源部测绘科学与地球空间信息技术重点实验室联合开放基金(2022-03-03);甘肃省科技重大专项(22ZD6GA010);兰州交通大学天佑创新团队(TY202001);兰州交通大学优秀平台支持(201806)第一作者:贺海霞(1996 )，女，山西吕梁人，硕士研究生，主要研究方向为灾害应急与知识图谱。E-mail:743738167 qq com通信作者:刘涛(1981 )，男，湖北随州人，教授，博士生导师，工学博士，主要研究方向为空间关系理论与地图制图综合。E-mail:ltaochina foxmail com文章编号:1001-4373(2023)03-0113-11DOI:10 3969/j issn 1001-4373 2023 03 016地震灾害应急管理知识图谱构建研究贺海霞1，2，3，刘涛*1，2，3，杜萍1，2，3(1 兰州交通大学 测绘与地理信息学院，兰州730070;2 地理国情监测技术应用国家地方联合工程研究中心，兰州730070;3 甘肃省地理国情监测工程实验室，兰州730070)摘要:当前，地震灾害相关数据体量较大、来源众多，难以进行统一的组织与管理。以知识图谱为工具，梳理并整合了地震灾害领域的多源数据，通过“数据-信息-知识”的转换，为应急管理提供知识服务。首先，基于知识工程和灾害学理论，分析地震灾害各组成要素的概念及其关系，构建模式层。然后，抽取不同来源数据中的地震灾害知识，构建数据层，并存储在图数据库中以实现地震灾害知识图谱可视化。最后，以“5 12 汶川地震”为例，实现了知识图谱的可视化查询及分析。实验表明，所构建的知识图谱不仅能够有效管理地震相关数据，还能为灾害智能化应急服务提供支撑。关键词:地震灾害知识图谱;模式层;数据层;汶川地震中图分类号:P208文献标志码:AStudy on the Construction of Knowledge Graph ofEarthquake Disaster Emergency ManagementHE Hai-xia1，2，3，LIU Tao*1，2，3，DU Ping1，2，3(1 Faculty of Geomatics，Lanzhou Jiaotong University，Lanzhou 730070，China;2 National-Local Joint Engineeringesearch Center of Technologies and Applications for National Geographic State Monitoring，Lanzhou 730070，China;3 Gansu Provincial Engineering Laboratory for National Geographic State Monitoring，Lanzhou 730070，China)Abstract:At present，the volume of data related to earthquake disaster events is large and the sources arenumerous，which makes it difficult to conduct unified organization and management In this paper，theknowledge graph is used as a tool to study the construction of the knowledge graph of earthquake disas-ters，so as to sort out and effectively manage the data related to earthquake disasters First of all，theknowledge engineering and disaster theory are used to sort out the elements of earthquake disasters andtheir relationships，and build a model layer Then，this paper extracted the earthquake disaster knowledgefrom different sources，built the earthquake disaster knowledge graph and stored it in the graphic databasefor visualization and query Finally，the 5 12 Wenchuan earthquake event was taken as an example forexperimental verification The experiment shows that the construction method proposed in this paper caneffectively manage the relevant data of 5 12 Wenchuan earthquake，and can provide effective supportfor the management，visualization and analysis of earthquake disaster data The method proposed in this兰州交通大学学报第 42 卷paper can provide an effective reference for the organization and management of earthquake disaster relat-ed dataKey words:knowledge graph of earthquake disaster;pattern layer;data layer;Wenchuan earthquake我国地处太平洋、印度洋和亚欧三大板块的交界，地震灾害频发，而地震及其次生灾害相关信息来源广、种类多、数量大，难以实现信息共享，单纯的数据搜索及获取已无法满足当前应急管理的需求。因此，研究如何从海量多源的异构地震灾害数据中获取知识，并利用这些知识提供智能化服务应用是目前应急管理研究的一项重要内容。目前，本体和知识图谱是用于知识获取及服务的主要工具。本体是一种有效的知识建模方式，能够准确描述概念及其内在关系，还能进行逻辑推理。许多学者构建了自然灾害应急响应知识本体，如地质灾害本体1-2、地震灾害本体3、台风灾害本体4 等，并用其对具体的灾害实例进行分析。知识图谱是一种新的知识获取、存储、组织、管理及展示的手段5，通过对复杂数据进行加工处理，将其转化为形如“实体-关系-实体”或“实体-属性-属性值”的三元组，来描述事物的概念及相互关系，目前在医疗6、智能推荐系统7、智能问答8、领域研究动态分析9-10 等方面发挥着重要的作用。在自然灾害领域，谢炎宏等11 从地震灾害防治角度出发，研究了地震灾害防治知识图谱的构建方法;张航12 对泥石流数据进行分类，利用深度学习实现知识抽取与融合，建立了泥石流灾害知识图谱，并实现了一个知识检索系统;杜志强等13 围绕自然灾害事件、灾害应急任务、灾害数据、模型方法等 4 个要素，使用本体构建知识概念框架，并通过知识抽取与融合，构建了一个洪涝灾害应急知识图谱;陶坤旺等14 研究了面向一体化综合减灾的知识图谱构建流程和关键技术，探索了知识图谱在应急减灾方面的应用;Jiao等15 梳理互联网新闻文本中地震信息及其关联，构建地震知识图谱;Xu 等16 基于地理本体论与知识图谱理论，构建了地震应急响应知识图谱。总的说来，众多学者从不同角度研究了灾害知识图谱的构建，并对其应用进行了一些探究，但目前针对应急智能化服务的地震灾害知识图谱构建研究还不多。因此，本文围绕地震灾害的基础背景、致灾因子、灾情与险情等诸多要素，梳理地震灾害领域的概念及关系，并从多源异构的海量数据中获取知识，通过知识融合，构建了一个地震灾害知识图谱，并以“5 12 汶川地震”为例，实现了知识图谱的可视化查询及分析，可为智能化地震应急提供知识服务。1地震灾害知识图谱构建流程知识图谱本质上是一种语义网络，以结构化的形式表达现实中的概念及其关系，其中节点代表实体或概念，边代表实体或概念间的相互关系17-18。通用知识图谱由模式层和数据层构成:模式层是对知识的总结、归纳和提炼，构建在数据层之上，用于约束数据层;数据层通常使用形如“实体-关系-实体”或“实体-属性-属性值”的三元组来存储具体数据。地震灾害知识图谱的构建主要采用“自顶向下”和“自底向上”相结合的方法进行(如图 1 所示)。“自顶向下”是指在模式层的构建中以地震灾害为核心，对地震灾害涉及的各种概念、属性及关系进行建模，定义模式层中的层级关系、时空关系等，形成清晰明确的概念结构;“自底向上”是指构建数据层时，设计适合的知识抽取方法，从地震灾害领域的多种文献资料、新闻网站以及行业标准等多源数据中进行实体及关系的抽取，通过对齐、合并、消歧等步骤，实现概念层与数据层的关联映射，并最终以三元组形式存入 Neo4j 图数据库中，实现知识图谱的可视化表达。2知识图谱模式层构建地震灾害应急管理知识图谱模式层主要对地震灾害领域中的概念及关系进行建模。本文用一个四元组(式 1)来表达模式层，重点描述地震及其次生灾害对自然环境和人类社会产生的各种破坏性影响，以及人类为应对地震灾害而采取的各种策略和措施。E=He，Hf，Ha，Ta(1)式中:E 为地震灾害;He 为基础背景;Hf 为致灾因子，包括原生致灾因子和次生致灾因子;Ha 为灾情及险情;Ta 为应急处置。模式层构建主要根据地震灾害的特点和应急处置的实际需求，以中华人民共和国防震减灾法、国家地震应急预案 等法律法规和专业文献为依据，结合现有的分类体系，对四元组中的基础背景、致灾因子、灾情及险情、应急处置等 4 个要素进行概411第 3 期贺海霞等:地震灾害应急管理知识图谱构建研究念、属性及其关系定义。本文使用三元组来表示地震灾害知识图谱的模式层。图 1地震灾害应急管理知识图谱构建基本流程Fig 1Basic process for building knowledge graph ofearthquake disaster emergency management2 1概念建模1)基础背景基础背景是指震中及周边的地形等一些基本情况。本文依据地震灾害相关文献资料及新闻报道，将地震灾害基础背景分为六大类，并确定其相关属性信息(如表 1 所列)。2)致灾因子地震灾害致灾因子包括原生致灾因子和次生致灾因子，前者为地震灾害本身，后者则指由地震引发的泥石流、崩塌、滑坡、堰塞湖、火灾和放射性污染等次生灾害。本文依据历史地震及新闻报道中的“速报参数”，确定地震灾害的主要属性包括名称、震级、发震时刻、纬度、经度、震源深度和参考位置等。结合 GB/T 28921 2012 自然灾害分类与代码，将次生致灾因子分为 6 个二级类，其属性除通用属性(灾害发生时间、发生地点、灾害类别、灾害级别等)外，还包括与次生灾害类型密切相关的特有属性，如滑坡体的长宽厚度、滑坡体体积、泥石流体积等。致灾因子的具体分类和属性如表 2 所列。表 1基础背景分类Tab 1Basic background classification一级类二级类属性震中地形无震中 5 km 范围内平均海拔、其他描述周边县市周边县名称、距震中距离、人口、其他描述周边市名称、距震中距离、人口、其他描述附近村镇5 km 村庄名称、距震中距离、人口、其他描述20 km 乡镇名称、距震中距离、人口、其他描述历史地震无震级、发震时刻、纬度、经度、震源深度、参考位置、其他描述震中天气无时间、地点、最高气温、最低气温、干湿状态、阴晴状态、降水情况、其他描述地质环境地震带地震带名称、位置、其他描述断裂带断裂带名称、位置、其他描述构造带构造带名称、位置、其他描述表 2致灾因子分类Tab 2Classification of disaster causing factors一级类二级类属性原生致灾因子地震名称、震级、发震时刻、纬度、经度、震源深度、参考位置、震中烈度地震类型、地震序列类型次生致灾因子泥石流发生时间、发生地点、灾害类别、灾害级别、泥石流体积崩塌发生时间、发生地点、灾害类别、灾害类别、崩塌体体积滑坡发生时间、发生地点、灾害类别、灾害级别、滑坡体长度、滑坡体宽度、滑坡体厚度堰塞湖发生时间、发生地点、灾害类别、灾害级别、堰塞体体积火灾发生时间、发生地点、灾害类别、灾害级别放射性污染发生时间、发生地点、灾害类别、灾害级别3)灾情及险情灾情是指地震及其次生灾害对生命、财产、资源和环境造成的损失情况，例如死亡、受伤和财产损失。险情则是指地震及其次生灾害对生命、财产、资源等构成威胁的危险情况。参考GBT32572 2016自然灾害承灾体分类与代码，并结合地震灾害自511兰州交通大学学报第 42 卷身特点19，本文将灾情分为 10 个二级类，并依据GBT24438 1 2009 自然灾害灾情统计 确定相关属性。灾情及险情具体分类和属性如表 3 所列。4)应急处置应急处置是指为应对地震及次生灾害而采取的措施和行为，根据国家地震应急预案，本文将地震应急处置分为应急响应和恢复重建两大类。应急处置除基本属性(应急主体、应急客体、任务描述、所属阶段、行动)外，还包括特有属性，如响应等级等。其中应急主体为执行任务的相关组织部门或人员，应急客体指应急任务所作用影响的对象，任务描述指对应急处置的具体描述，所属阶段指灾中、灾后。应急处置的具体分类和属性，如表 4 所列。2 2关系建模关系建模是指对地震灾害概念之间存在的时间关系、空间关系、层级关系、因果关系和相关关系等进行建模。时空信息是地震灾害知识图谱的基础，地震灾害的致灾因子、基础背景等各类要素都与时空信息密切相关。时间关系包括“之前”、“之后”等 13种 20，依据所获取的文本数据的特征，本文主要考虑“之前、之后、相等、包含”等四种时间关系。空间关系包括拓扑关系、方位关系和距离关系，本文参考刘俊楠等对空间关系的描述 21，并根据实际需要对其进行了筛选。本文建模的时空关系如表5 所列。表 3灾情及险情分类Tab 3Classification of disasters and dangerous situations一级类二级类属性灾情人口受灾受灾人口、死亡人口、失踪人口、紧急转移安置人口、受伤人口房屋受灾倒塌房屋数量、损坏房屋数量、经济损失工矿企业受灾厂房损毁面积、受灾工矿企业数目交通系统受灾损坏铁路长度、损坏公路长度、状态描述、位置电力系统受灾损坏输电线路长度、状态描述、位置燃气系统受灾状态描述、位置通信系统受灾损坏通信线路长度、损坏通信基站数量、状态描述、位置供排水系统受灾损坏供水管线长度、状态描述、位置水利工程受灾损坏水库数量、状态描述、位置农业受灾损坏耕地面积、农作物受灾面积、损坏林地面积、经济损失经济损失直接经济损失险情无状态描述、受威胁人口、潜在经济损失表 4应急处置分类Tab 4Classification of emergency disposal一级类二级类属性应急响应启动应急响应应急主体、应急客体、任务描述、所属阶段、应急响应等级、响应类型、响应行动搜救受灾人员应急主体、应急客体、任务描述、所属阶段、行动、队伍人数、搜救犬数量、搜救仪器卫生防疫应急主体、应急客体、任务描述、所属阶段、行动、物资保障(消毒药品)医疗救治应急主体、应急客体、任务描述、所属阶段、行动、医疗物资(救护车、药品和医疗器械)安置受灾群众应急主体、应急客体、任务描述、所属阶段、行动、物资供应(帐篷数量、被子数量、折叠床数量、衣物数量、活动板房数量)抢修基础设施应急主体、应急客体、任务描述、所属阶段、行动加强现场监测应急主体、应急客体、任务描述、所属阶段、行动防御次生灾害应急主体、应急客体、任务描述、所属阶段、行动维护社会治安应急主体、应急客体、任务描述、所属阶段、行动信息上报应急主体、应急客体、任务描述、所属阶段灾情调查与快速评估应急主体、应急客体、任务描述、所属阶段、方法恢复重建灾情综合评估应急主体、应急客体、任务描述、所属阶段、方法灾后恢复重建应急主体、应急客体、任务描述、所属阶段611第 3 期贺海霞等:地震灾害应急管理知识图谱构建研究表 5时空关系Tab 5Spatial-temporal elation大类小类示例或说明时间关系之前关系如 2017 年 8 月 8 日在 2017 年 8 月 9 日之前之后关系如 2017 年 8 月 9 日在 2017 年 8 月 8 日之后包含关系如 2017 年 8 月包含 2017 年 8 月 8 日相等关系表明两个时间信息表达的时间完全相等空间关系拓扑关系相交、邻接、包含方位关系东、东南、南、西南、西、西北、北、东北距离关系近、中等、远等定性及定量数值表示层级关系主要描述层级不同的概念间存在的关系，如应急处置包括抢救基础设施等;因果关系是指概念直接或间接影响对方的关系，如地震发生往往会引发崩塌、滑坡、泥石流等;相关关系是概念之间存在逻辑关联的关系，如“88 九寨沟地震”发生在东昆仑断裂带尾端。本文建模的层级关系、因果关系及相关关系如表 6 所列。3知识图谱数据层构建本文主要利用爬虫技术从中国地震台网、应急管理部官网、百度百科、各省地震局官网和微博获取地震灾害相关数据。按照数据存储类型可分为结构化数据、半结构化数据以及非结构化数据。对于结构化数据，根据映射规则将其转化为三元组;对于半结构化数据，建立相应的模板封装器以实现实体抽取;对于半结构化数据中的文本和非结构化数据则通过 BET-BiLSTM-CF 模型和基于规则方法进行实体抽取，并利用模板匹配方法进行关系抽取，最终获得三元组。3 1知识抽取3 1 1实体抽取BET-BiLSTM-CF 模型主要包括 BET、BiL-STM、CF 三个模块，如图 2 所示。BET 联合上下文语境进行预训练，获得相应的词向量;然后把词向量输入双向长短记忆神经网络(BiLSTM)中进行学习，输出单词属于各类实体的概率分布;随后将此概率分布输入随机向量场层(CF)中进行判断，对BiLSTM 模块中输出的结果进行解码，给单词赋予适合的标签，形成一个预测标注序列，并对序列中各类型实体进行分类提取，最终得到实体类别。表 6层级关系、因果关系及相关关系Tab 6Hierarchy，causality and association关系类型含义示例层级关系概念间由于层次等级不同而产生的关系应急处置包括抢救基础设施因果关系实体间直接或者间接影响对方的关系地震引发泥石流相关关系实体间存在逻辑关联的关系88 九寨沟地震发生在东昆仑断裂带尾端图 2BET-BiLSTM-CF 模型结构图Fig 2BET-BiLSTM-CF model structure diagram本文使用开源文本注释工具 YEDDA 为 BET-BiLSTM-CF 模型提供标注数据，采用 BIO 三元标注模式(B-begin 代表实体的开头;I-inside 代表实体的中间和尾部;O-outside 不属于实体)，并将标注数据按 712 的比例划分为训练集、验证集和测试集。此外，本文还调整了 Transformer、学习速率等参数，以保证模型的最优性能，经多次调试，当 Transformer 层数设置为12 层，学习速率配置为5E-6 时，结果最佳。3 1 2关系抽取本文选用基于规则的关系抽取算法从非结构化文本数据中抽取实体间关系。例如，从“地震引发滑坡、崩塌和泥石流等各类地质灾害 2 1 万处”中抽取出“地震”和“滑坡”、“崩塌”、“泥石流”等次生灾害，依据规则“(地震)引发(次生灾害)”，识别二者关系为因果关系“引发”。711兰州交通大学学报第 42 卷由于单独使用哈工大语言技术平台(languagetechnology platform，LTP)的通用词库进行分词、词性标注等效果不佳，因此本文将自定义词库与 LTP 通用词库结合，来提高知识抽取的准确率。由于模式层已经对地震灾害诸概念及关系进行了分类，本文对需要抽取实体关系的触发词、触发词的同义词及其各种不同形态进行了总结，在此基础上构建了自定义词库(如表 7 所列)及规则模板(如表 8 所列)。表 7部分自定义词库结构Tab 7Some custom thesaurus structure类型抽取任务触发词词性标注致灾信息地震、滑坡、山体滑坡、坍塌、塌方、崩塌、塌陷disaster灾情信息人员伤亡受灾人口、受灾、受灾人数、因灾死亡、死亡人口、因灾死亡人口房屋损失倒塌房屋、房屋倒塌、倒塌民房、损坏房屋、房屋损坏、房屋受损交通系统道路中断、阻塞、堵塞、交通拥堵、交通受影响、交通管制、无道路中断电力系统线路损坏、断电、停电、线路轻微受损、电缆断裂、电线倒塌、电线拉断通信系统基站、发射台、光缆、线缆、通信管道、线杆、通信中断、通信瘫痪、传输光缆、通信光纤、通信设备供排水系统供水中断、管道断裂水利工程水库、水利设施key单位人、多人、余人、人口、万人、万多人、万余人、间、户、万间、平方米unit定性描述轻微受损、局部受损、基本完好、设备故障、设备受损、倒塌、部分倒塌value地质环境断裂带、构造、地震带geological表 8部分自定义规则模板Tab 8Some custom thesaurus structure序号规则地震-引发-次生灾害灾情名称-数值-单位/数值-单位-灾情名称/名称-定性描述地震-发生在-断裂带/地震带/构造带地震-导致-灾情名称3 2知识融合通过知识抽取所获得的数据是孤立的，数据之间也缺乏层次性和逻辑性，因此需要对不同来源但含义相同的实体进行融合，例如“汶川地震”、“5 12汶川地震”实际上为同一概念，需对其进行合并。本文通过计算实体向量之间夹角的余弦值，预先设置合理的阈值来判断实体间的相似程度，计算公式如式(2)、式(3)所示:SAm，Bm=AmBm|Am|Bm|=ni=1(aibi)ni=1(ai)2ni=1(bi)2(2)SA，B=Sm=1SAm，BmS(3)式中:SAm，Bm为 A、B两个实体在属性m上的相似度，属性 m 共有 n 个分词，统计分词词频 ai，bi，并构造词频向量，计算向量余弦值确定相似度;SA，B为 A、B 总体相似性比例，通过计算实体 A、B 在每个属性上相似度与属性数量 s 的比例得到，计算所得数值介于 0 1，越接近1 表示相似度越高。经过多次测试，确定将相似度阈值设置为06 时效果最好。另外本文还采用了人工校验对数据进行检核，提高知识融合的准确度。3 3知识存储不同来源的数据经过知识抽取、知识融合等步骤后已转化为三元组，本文采用 Neo4j 图数据库来存储数据层并实现知识图谱可视化。Neo4j 主要通过节点和边来组织数据，其中节点代表地震灾害应急知识图谱中的实体，边代表不同实体间的语义关系或者属性关系。存储到图数据库中的知识三元组“实体-关系-实体”或者“实体-属性-属性值”易于实现图查询和图数据挖掘。811第 3 期贺海霞等:地震灾害应急管理知识图谱构建研究4知识图谱构建及应用实例4 1实验数据及预处理本文以 2008 年“5 12 汶川地震”为例，构建了一个地震灾害知识图谱。其中，所用结构化数据包括:1)中国地震局下载的部分四川历史地震数据;2)中国行政区划数据。所用非结构化数据包括从国家地震台网、四川地震局官网、微博、新闻网页等以地震为关键词利用网络爬虫从网上下载的文本。爬取到的数据往往会包括很多空格及无用无效的符号，因此需要对数据进行清洗去噪处理，经清洗处理后的数据约 10 万字。4 2知识抽取与存储为验证 BET-BiLSTM-CF 模型在命名实体识别中的效果，本文同时进行了规则匹配、BiLSTM-CF、BET-BiLSTM-CF 三种对比实验，对比实验使用相同数据集进行，实验结果如表 9 所列。相比其他两种模型，BET-BiLSTM-CF 模型获得的 F 度量值更高，效果更好。表 9不同抽取方法对比Tab 9Comparison of different extraction methods方法准确率/%召回率/%F 度量/%规则匹配64 1078 5970 61BiLSTM-CF82 5062 8471 34BET-BiLSTM-CF85 2276 4380 70并经过关系抽取，最终共获得实体 8 152 个，关系 51 065 条。存入 Neo4j 数据库后，将来自不同来源的知识通过节点和边相关联，得到“5 12 汶川地震”灾害知识图谱，如图 3 所示。图 3地震灾害知识图谱(部分)Fig 3Earthquake disaster knowledge graph(partial)4 3知识图谱可视化查询及分析4 3 1灾情信息可视化查询及分析在知识图谱中，可以对汶川地震的灾情信息进行查询，如图 4 所示，全面反应了地震造成的损失情况，可用于灾情综合评估及灾后恢复重建，从图可以看出，汶川地震导致大量人员伤亡、大面积房屋倒塌、基础设施(交通、水利、电力等)也遭到严重破坏。知识图谱还可以实现要素、属性、时间和空间等的单一查询或联合查询。如果针对时间信息进行查911兰州交通大学学报第 42 卷询，就能够得到指定时间序列的灾情信息。如果同时指定时间和空间信息，得到的则是该时空范围的灾情信息。如图 5 所示，该图谱展示了汶川地震严重受灾地区 2007 年底总人口数和截至 2008 年 7 月18 日的人口受灾情况(展示部分数据)。本文以中国地震局发布的汶川 8 0 级地震烈度分布图为基础，绘制了严重受灾地区的地震烈度图，并根据2008 年汶川地震严重受灾县市区的主要受灾数据22，绘制了房屋倒塌率分布图。在此基础上，将图 5 的人口受灾知识分别可视化在地图上，得到如图 6 所示的汶川地震严重受灾地区地震烈度及人口死亡失踪率分布图和如图 7 所示的汶川地震严重受灾地区房屋倒塌率与人口死亡失踪率分布图。由图6 可知，位于较高地震烈度区的地区，人口死亡失踪率较高，人口死亡失踪率大体随着烈度增加而增加，如位于烈度较高区的汶川县、北川县比青川县等地的人口死亡失踪率高;由图 7 可知，房屋倒塌率越高其导致的死亡失踪率往往也越高。图 45 12 汶川地震灾情查询(部分)Fig 45 12 Wenchuan earthquake disaster query(partial)4 3 2地震灾害链查询及分析灾害链是指由某种灾害引起的一系列灾害现象。地震灾害极具破坏性，地震引发的一系列次生灾害(如泥石流、堰塞湖等)叠加形成的灾害链会加重灾害损失。通过对知识图谱的查询，能够从时间、空间和语义角度把握灾害链的时空分布特征、发展规律及灾害间的关系，可为未来地震引发的次生灾害预防和应急处置提供一定依据。如图 8 所示，该图谱展示了汶川地震次生灾害信息及地震灾害链信息，如汶川地震-唐家山滑坡-苏宝河泥石流灾害链。由图可知，汶川地震发生后，以滑坡、崩塌、泥石流、堰塞湖为主的次生灾害多发，大多位于活动断裂带上，主要分布在高原、山地及山地的深切河谷地区。这是由于地震进一步破坏了原有的地质结构，加上后续强降雨等，引发了次生灾害，造成新的损失。021第 3 期贺海霞等:地震灾害应急管理知识图谱构建研究图 5汶川地震严重受灾地区人口受灾查询(部分)Fig 5Inquires about the population in the badly affected areas of Wenchuan Earthquake(partial)图 6汶川地震严重受灾地区地震烈度及人口死亡失踪率分布图Fig 6Distribution map of earthquake intensity and population death and missing rate in Wenchuan earthquake121兰州交通大学学报第 42 卷图 7汶川地震严重受灾地区房屋倒塌率与人口死亡失踪率分布图Fig 7Distribution diagram of house collapse rate and population death and missing rate in Wenchuan earthquake图 8汶川地震灾害链查询展示(部分)Fig 8Wenchuan earthquake disaster chain query display(partial)5结论知识图谱为多源异构地震灾害数据提供了一种新的获取、存储、组织、管理及展示的手段，为地震灾害研究和应急管理提供了基本思路。本文针对地震灾害领域数据量剧增，缺乏统一描述机制等问题，以地震灾害为核心，研究地震灾害知识图谱构建方法。以知识图谱理论与方法为指导，用一个四元组来表达模式层，并对地震灾害中的致灾因子、基础背景、灾情及险情及应急处置四个组成要素涉及的概念、221第 3 期贺海霞等:地震灾害应急管理知识图谱构建研究及关系进行建模;在模式层框架的基础上，通过知识抽取与融合，整合多源异构数据得到数据层。论文以“5 12 汶川地震”为例，生成了一个地震灾害知识图谱，实现不同知识的联动，为地震灾害应急知识的获取与表达提供新的应用视角。但本研究在表达地震灾害时空演化方面较欠缺，因此，在后续研究中，将对地震灾害的时空分布、灾害链发掘、演化规律等问题进行深入研究。参考文献:1 田董炜，仇阿根，张志然 多层次地质灾害领域本体构建与应用 J 测绘科学，2019，44(6):330-336 2 刘晓慧，崔健，蔡菲 突发地质灾害应急响应知识地理本体建模及推理J 地理与地理信息科学，2018，34(4):1-6，127 3徐敬海，聂高众 地震应急决策知识地理本体建模 J 地震地质，2015，37(2):588-597 4 黄风华，晏路明 基于 Jena 的台风灾害领域本体模型推理 J 计算机应用，2013，33(3):771-775，779 5CHEN X，JIA S，XIANG Y A review:knowledge reason-ing over knowledge graph J Expert Systems with Appli-cations，2020，141:112948 6 侯梦薇，卫荣，陆亮，等 知识图谱研究综述及其在医疗领域的应用 J 计算机研究与发展，2018，55(12):2587-2599 7 秦川，祝恒书，庄福振，等 基于知识图谱的推荐系统研究综述 J 中国科学:信息科学，2020，50(7):937-956 8 王智悦，于清，王楠，等 基于知识图谱的智能问答研究综述 J 计算机工程与应用，2020，56(23):1-11 9 韩燕，刘秀莹 国内生态效率研究知识图谱分析 基于 CNKI 数据 J 兰州交通大学学报，2021，40(6):96-106 10 金梅，罗博涵 基于 citespace 的乡村体育旅游研究进展分析 J 兰州交通大学学报，2020，39(2):132-139 11 谢炎宏，王亮，董春，等 面向地震灾害防治的知识图谱构建方法研究J 测绘科学，2021，46(10):219-226 12 张航 泥石流灾害领域知识图谱的构建与应用D 昆明:云南师范大学，2021 13 杜志强，李钰，张叶廷，等 自然灾害应急知识图谱构建方法研究 J 武汉大学学报(信息科学版)，2020，45(9):1344-1355 14 陶坤旺，赵阳阳，朱鹏，等 面向一体化综合减灾的知识图谱构建方法J 武汉大学学报(信息科学版)，2020，45(8):1296-1302 15 JIAO Y，YOU S escue decision via earthquake disasterknowledge graph reasoningJ Multimedia Systems，2023，29(2):605-614 16 XU J，TIMITHY L N，NIE G Modeling and representa-tion for earthquake emergency response knowledge:per-spective for working with geo-ontologyJ InternationalJournal of Geographical Information Science，2014，28(1):185-205 17 耿霞，张继军，李蔚妍 知识图谱构建技术综述J 计算机科学，2014，41(7):148-152 18 刘峤，李杨，段宏，等 知识图谱构建技术综述 J 计算机研究与发展，2016，53(3):582-600 19 张方浩，和仕芳，吕佳丽，等 基于互联网的地震灾情信息分类编码与初步应用研究J 地震研究，2016，39(4):664-672，718 20 ALLEN J F Towards a general theory of action and time J Artificial Intelligence，1984，23(2):123-154 21 刘俊楠，刘海砚，陈晓慧，等 基于地理空间数据的知识图谱构建技术研究J 中文信息学报，2020，34(11):29-36 22 国家减灾委员会-科学技术部抗震救灾专家组 汶川地震灾害综合分析与评价M 北京:科学出版社，2008(责任编辑:马延麟)321